آموزش GenAI برای تحلیل داده
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- طراحی و پیادهسازی پایپلاینهای جامع داده برای کاربردهای GenAI
- توسعه و استقرار ایجنتهای هوش مصنوعی خودمختار و سیستمهای چند ایجنتی
- تحلیل مهندسی پرامپت و مدیریت زنجیره برای LLMs
- ساخت اپلیکیشنهای GenAI آماده تولید با سیستمهای نظارت و ایمنی
پیشنیازهای دوره
- یادگیرندگان باید تجربه برنامهنویسی با پایتون و درک پایه از مفاهیم یادگیری ماشین داشته باشند. آشنایی با APIs، پلتفرمهای ابری و ابزارهای خط فرمان به شرکتکنندگان کمک میکند تا تمرینهای عملی و آزمایشگاههای پیادهسازی را راحتتر دنبال کنند.
توضیحات دوره
تا به حال فکر کردهاید سیستمهایی شبیه ChatGPT چگونه در دنیای واقعی ساخته و مستقر میشوند؟ آیا آمادهاید فراتر از پرامپتهای ساده بروید و ایجنتهای هوش مصنوعی خودتان را بسازید؟ به «مهندسی Generative AI» خوش آمدید. دوره راهنمای کامل شما برای ساخت سیستمهای هوش مصنوعی آماده تولید است که واقعاً کار میکنند.
در این مسیر جامع، فقط تئوری را یاد نمیگیرید، بلکه با شیوههای واقعی مهندسی که پشت پیشرفتهترین سیستمهای هوش مصنوعی امروزی قرار دارند نیز آشنا میشوید. از طراحی پایپلاینهای داده قدرتمند برای تغذیه مدلها، تا ساخت ایجنتهای خودمختار که میتوانند استدلال کرده و به تنهایی عمل کنند تا استقرار سیستمهایی که در محیط تولید با اطمینان مقیاس میگیرند همه موارد را پوشش دادهایم. چه بخواهید اپلیکیشن هوش مصنوعی نوآورانه بعدی را بسازید و چه بخواهید سیستمهای موجود را با قابلیتهای مولد پیشرفته ارتقا دهید، این دوره تجربه عملی و کاربردی لازم را برای تحقق آن در اختیار شما میگذارد.
آنچه در پایان دوره قادر خواهید بود:
- پایپلاینهای جامع داده برای کاربردهای GenAI طراحی و پیادهسازی کنید.
- ایجنتهای هوش مصنوعی خودمختاری بسازید و مستقر کنید که بتوانند مسائل پیچیده را حل کنند.
- تکنیکهای مهندسی پرامپت را برای دستیابی به بهترین عملکرد LLM بهکار بگیرید.
- سیستمهای RAG (بازیابی نسل افزوده) را برای کاربردهای دانشمحور پیادهسازی کنید.
- مدلهای بنیادی را برای عملکرد عالی در تسکهای تخصصی بهینهسازی کنید.
- سیستمهای GenAI آماده تولید را با نظارت مناسب و لایههای ایمنی مستقر کنید.
- سیستمهای چندایجنتی توسعه دهید که برای حل مسائل پیچیده با یکدیگر همکاری میکنند.
فقط مصرفکننده فناوری هوش مصنوعی نباشید به سازندهای تبدیل شوید که میتواند نسل بعدی سیستمهای هوشمند را مهندسی کند. به ما بپیوندید و دانش نظری خود را به مهارتهای عملی مهندسی تبدیل کنید؛ مهارتهایی که در صنایع مختلف بسیار پرتقاضا هستند. همین حالا در دوره شرکت کنید و ساخت آینده هوش مصنوعی را آغاز کنید.
این دوره برای چه کسانی مناسب است؟
- این دوره برای مهندسان نرمافزار، دانشمندان داده، مهندسان ML و متخصصان DevOps طراحی شده که میخواهند تخصص خود را در generative AI ارتقا دهند.
- این دوره برای افرادی که در حال ورود به توسعه هوش مصنوعی هستند، درک خود را از مدلهای زبانی بزرگ گسترش میدهند، یا استقرارهای هوش مصنوعی محور را در محیطهای تولید مدیریت میکنند، ایدهآل است.
آموزش GenAI برای تحلیل داده
-
مقدمه دوره 03:58
-
تأثیر Generative AI بر مهندسی 04:58
-
اصول معماری سیستمهای Generative AI 03:08
-
راهاندازی محیطهای توسعه GenAI: محلی و ابری 11:48
-
داستانهای موفقیت پیادهسازی سازمانی 03:10
-
کامپوننتهای LLM و سازوکارهای اصلی 05:22
-
مقایسه مدل LLM سازمانی 03:08
-
یکپارچهسازی LLM و راهاندازی API 05:59
-
چارچوب انتخاب مدل استراتژیک 03:13
-
ماتریس کاربردهای سازمانی GenAI 05:29
-
معماری راهحلهای ویژه صنعت 04:01
-
طراحی سیستم دستیار پشتیبانی 07:51
-
اندازهگیری ROI و متریکها 03:57
-
موارد استفاده GenAI None
-
اصول اساسی مهندسی پرامپت 04:20
-
عناصر ساختاری پرامپتها 02:59
-
گردشکار تعاملی ساخت پرامپت 08:39
-
کتابخانه الگوی طراحی پرامپت 02:47
-
طراحی زنجیره پرامپت چندمرحلهای 05:14
-
تکنیکهای بهینهسازی پنجره کانتکس 03:13
-
راهنمای پیادهسازی پرامپت پیشرفته 12:46
-
چارچوب استراتژی مدیریت خطا 03:04
-
متقاعد کردن ذینفعان برای سرمایهگذاری در یک سیستم پشتیبانی مشتری مجهز به GenAI None
-
طراحی مکالمه ربات پشتیبانی 05:33
-
طراحی معماری قالب پاسخ 03:03
-
راهنمای پیادهسازی سیستم قالب 10:54
-
چارچوب آزمون تضمین کیفیت 03:09
-
پیادهسازی مورد استفاده None
-
تحلیل الزامات پایپلاین داده 04:31
-
طراحی پایپلاین داده سازمانی 04:11
-
پیادهسازی سیستم پردازش داده 08:36
-
چارچوب اعتبارسنجی کیفیت داده 03:57
-
طراحی معماری سیستم RAG 05:20
-
معماری RAG: اصول یکپارچهسازی کامپوننت 04:09
-
بهترین شیوههای پیادهسازی RAG 09:04
-
پروتکل آزمون سیستم RAG 04:16
-
تحلیل الگوی پیشرفته RAG 06:53
-
چارچوب تکنیکهای بهینهسازی عملکرد 05:04
-
توسعه سیستم پیچیده RAG 13:14
-
یکپارچهسازی سازمانی: بهترین شیوهها 05:00
-
چارچوب پردازش مستندات پشتیبانی 05:32
-
طراحی معماری پایگاه دانش 05:15
-
راهنمای پیادهسازی RAG برای پشتیبانی 10:56
-
استراتژی بهبود کیفیت پاسخ 05:51
-
RAG برای پشتیبانی مشتری None
-
اصول معماری ایجنت هوش مصنوعی 05:40
-
الگوهای طراحی کامپوننت ایجنت 05:09
-
راهنمای پیادهسازی ایجنت اولیه 06:39
-
چارچوب سیستم طبقهبندی ایجنت 05:20
-
اصول طراحی سیستم چند ایجنتی 05:00
-
طراحی پروتکل ارتباطی ایجنت 05:19
-
گردشکار پیادهسازی چند ایجنتی 11:10
-
چارچوب کنترل ایمنی ایجنت 05:40
-
تحلیل الزامات ایجنت پشتیبانی 05:42
-
ماتریس برنامهریزی قابلیتهای ایجنت 05:32
-
راهنمای توسعه ایجنت پشتیبانی 09:57
-
چارچوب استراتژی تست ایجنت 06:18
-
توسعه ایجنت پشتیبانی None
-
مفاهیم اصلی فاین تیونینگ مدل 04:28
-
راهنمای آمادهسازی داده آموزش 03:38
-
فرآیند پیادهسازی فاین تیونینگ اولیه 13:39
-
چارچوب ارزیابی و تست مدل 03:50
-
طراحی استراتژی فاین تیونینگ پیشرفته 05:28
-
چارچوب تحلیل متریک عملکرد 03:51
-
راهنمای پیادهسازی فاین تیونینگ پیشرفته 12:47
-
چارچوب فرآیند تکرار مدل 03:48
-
استراتژی آمادهسازی داده پشتیبانی 05:37
-
چارچوب آموزش مدل پشتیبانی 04:25
-
راهنمای پیادهسازی مدل پشتیبانی 11:12
-
پروتکل تست کنترل کیفیت 04:23
-
فاین تیونینگ برای پشتیبانی None
-
طراحی استراتژی استقرار در محیط تولید 03:45
-
چارچوب برنامهریزی الزامات زیرساخت 04:03
-
راهنمای پیادهسازی استقرار در محیط تولید 14:09
-
پروتکل بهترین شیوههای استقرار 04:15
-
طراحی استراتژی نظارت سیستم 04:36
-
چارچوب تحلیل متریکهای عملکرد 04:19
-
راهنمای پیادهسازی ابزارهای نظارت 10:25
-
چارچوب توسعه پروتکل نگهداری 04:24
-
راهنمای برنامهریزی معماری پشتیبانی 05:01
-
چارچوب توسعه استراتژی یکپارچهسازی 04:11
-
راهنمای پیادهسازی سیستم پشتیبانی 08:27
-
طراحی پروتکل تست عملکرد 04:17
-
طراحی سیستم تولید محتوا 05:19
-
راهنمای پیادهسازی دستیار کدنویسی 04:21
-
راهنمای تکنیکهای پیادهسازی جایگزین 10:17
-
چارچوب انتخاب مورد استفاده 04:40
-
موارد استفاده اضافی None
-
تحلیل چشمانداز فناوریهای آینده 05:06
-
چارچوب ارزیابی تأثیر بر صنعت 03:58
-
راهنمای پیادهسازی ابزارهای نوظهور 15:02
-
طراحی استراتژی پذیرش فناوری 03:53
-
روندهای آینده None
-
نتیجهگیری دوره 03:13
مشخصات آموزش
آموزش GenAI برای تحلیل داده
- تاریخ به روز رسانی: 1405/04/02
- سطح دوره:متوسط
- تعداد درس:94
- مدت زمان :08:49:50
- حجم :7.01GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy